¿Qué es R y RStudio?

R es un lenguaje y un ambiente para el análisis estadístico y la graficación.

RStudio es un Entorno de Desarrollo Integrado (Integrated Development Environment, IDE en inglés) que permite la integración de herramientes diseñadas para ser más productivos e interactivos en R.

Es decir que RStudio le permite al usuario, no solamnete interactuar y ver los códigos en R (que es el lenguaje de programación), sino tambien visualizar gráficas, tablas, archivos, mensajes y ayudas para facilitar el proceso de programación.

R y RStudio son softwares de libre acceso (Open source) que puede ejecutar desde varias plataformas como: Windows, Mac y Linux.

Instalar R

Para installar R:

• Vaya a CRAN (CRAN = The Comprehensive R Archive Network).

• Seleccione “Download R for Windows” or Download R for macOS, dependiendo de su computador.

• Seleccione el link “install R for the first time”, que le permitirá bajar el archivo ejecutable de R (.exe).

• Corra (Run) el archivo R ejecutable (.exe) para empezar la instalación y permita que la aplicación haga cambios en su computador.

• Seleccione el lenguaje de instalación.

• Seleccione “Finish” para salir de la configuración de instalación.

Para instalar RStudio:

• Vaya a la página web de RStudio

• Seleccione el link “Download RStudio” en la esquina superior derecha.

• Seleccione “DOWNLOAD RSTUDIO” bajo el “RStudio Desktop” (usted puede ver que es FREE)

• Seleccione “DOWNLOAD RSTUDIO DESKTOP FOR WINDOWS” bajo 2: Install RStudio

• Corra (Run) el archivo RStudio ejecutable (.exe) para empezar la instalación y permita que la aplicación haga cambios en su computador.

• Seleccione “Finish” para salir de la configuración de instalación.

Explorando RStudio

R studio es una plataforma muy amigable para usar R.

Abra un nuevo R Script usando File > New File > R Script

Usted verá cuatro paneles como se muestran en la figura. Los paneles ofrecen una variedad de herramientas para facilitar el proceso de escribir, ejecutar y visualizar sus códigos y resultados.

Usted se familiarzará y conocerá la utilidad de cada de estos paneles a medida que avanza en estos tutoriales.

Operadores aritméticos

Operaciones básicas

Por ejemplo escriba la expresion 3 + 2 en el primer panel y luego ejecute el código oprimiendo el botón Run que se encuentra a la derecha del panel.

Puede utilzar también las teclas Ctrl y Enter (en Mac: Apple y Enter).

En cualquiera de los dos casos asegúrese de situarse en la línea o ilumunar las líneas que quiere ejecutar.

3 + 2

## [1] 5

En la consola podrá ver el resultado.

Unos ejemplos mas:

2^3

## [1] 8

7-9

## [1] -2

Usted puede hacer multiples cálculos usando punto y coma (‘;’) para separar los comandos. Como por ejemplo:

20 / 4; 14 - 8 

## [1] 5

## [1] 6

Ejercicio

Ahora es su turno de practicar:

14 - 8 * 2

(14 - 8) * 2

Ejercicio

Ahora es su turno de practicar:

d <- "8"

e <- "9"

Esto nos lleva a ver en detalle los tipos de datos que usted podría utilizar en R.

Numérico (numeric)

a <- 5
a

## [1] 5

Usted puede utilizar la función class() para visualizar el ‘modo’ del objeto.

class(a)

## [1] "numeric"

Veamos otro ejemplo:

con la función typeof() usted puede ver el modo del valor numérico. Hay dos tipos en el modo numérico.: integer (como un numero entero) y double (como decimales).

b <- 7
b

## [1] 7

¿Qué clase es?

class(b)

## [1] "numeric"

¿Qué tipo de valor númerico es?

typeof(b)

## [1] "double"

En este caso es double. Todos los números reales se guardan en el formato de double precisión.

Si usted quiere un número entero, puede utilizar la función as.integer(), que asigna al objecto b el modo integer al valor 9.

c <- as.integer(9)
typeof(c)

## [1] "integer"

Veamos qué pasa con un decimal:

s <- 10.2
s

## [1] 10.2

¿Qué clase es?

class(s)

## [1] "numeric"

¿Qué tipo de valor númerico es?

typeof(s)

## [1] "double"

¿Qué pasa si asignamos el modo integer a un decimal? Bueno, parece que perdemos precisión:

t <- as.integer(40.25)
t

## [1] 40

Carácter (Character or string)

Asignemos este texto Euglosa a la variable:

d <- "Euglosa"
d

## [1] "Euglosa"

¿Qué clase es?

class(d)

## [1] "character"

Podemos guardar un texto más complejo, como por ejemplo:

especie_3 <- "Bombus afinis"
especie_3

## [1] "Bombus afinis"

¿Qué clase es?

class(especie_3)

## [1] "character"

Valores lógicos (logical)

Los valores lógicos (logical or Boolean en inglés) se presentan como verdadero of falso (TRUE or FALSE). Serán de mucha utilidad en la programación en R.

Por ejemplo, asignemos el valor FALSE a la variable3.

variable3 <- FALSE
variable3

## [1] FALSE

¿Qué clase es?

class(variable3)

## [1] "logical"

Pero más interesante es indagar la condición de una variable:

# Definamos una variable

variable4 <- 5 # Asignamos el valor a un objeto
variable4      # Presentamos el valor

## [1] 5

¿Es el objeto mayor que 6?

variable4 > 6 

## [1] FALSE

¿Es el obejto menor que 6?

variable4 < 6 

## [1] TRUE

# Definamos una variable

variable5 <- 45 # Asignamos el valor a un objeto
variable5       # Presentamos el valor

## [1] 45

Factores (factor)

Un factor es una variable categórica con un grupo conocido de valores, que llamaremos niveles. Los factores serán muy importantes en análisis estadísticos y modelamiento.

Por ejemplo, la cobertura vegetal en un mapa puede tener tres valores (bosques, pastos y urbana).

Contruyamos un objeto que contenga estos valores y sea un factor.

cob_veg <- c("bosques", "pastos", "urbana")
cob_veg

## [1] "bosques" "pastos"  "urbana"

¿Qué clase es?

class(cob_veg)

## [1] "character"

Parece que el vector sigue siendo texto. Para que sea un factor tenermos que usar la función as.factor().

cob_veg2 <- as.factor(c("bosques", "pastos", "urbana"))
cob_veg2

## [1] bosques pastos  urbana 
## Levels: bosques pastos urbana

¿Qué clase es?

class(cob_veg2)

## [1] "factor"

Valores no disponibles (missing values, NA)

En sus tablas de datos provenientes de hojas de cálculo usted se va a encontrar con esta situación: celdas donde no hay valores. En general R lee esto como NA (es decir un valor no disponible).

Por ejemplo, creemos un vector con nombres de generos de especies en donde el tercero no está disponible. Note que NA no está con comillas (no es un caracter). R lo lee como un valor no disponible (NA).

mis_datos1 <- c("Euglosa", "Bombus", NA, "Apis")
mis_datos1

## [1] "Euglosa" "Bombus"  NA        "Apis"

Tablas data frames

La más familiar para usted es una tabla, que en lenguaje de R se conoce como data frame.

La podemos construir con base en vectores. Por ejemplo, utilicemos tres vectores con diferentes modos y creemos un tabla utilizando la función data.frame():

species <- c("Euglosa", "Bombus", NA, "Apis")
largo_abdomen <- c(2.1, 3.0, 4, 2.8)
lugar <- c("Cali", "Sitio_1", "2", NA)

df <- data.frame(species, lugar, largo_abdomen)
df

##   species   lugar largo_abdomen
## 1 Euglosa    Cali           2.1
## 2  Bombus Sitio_1           3.0
## 3    <NA>       2           4.0
## 4    Apis    <NA>           2.8

El data.frame que creamos es muy parecido a la estructura de una hoja de cálculo, es decir con filas y columnas.

Puede ver como el nombre de la variable que creamos se convierte en el encabezado de la columna (que es en si una variable).

En el “Taller de manipulación de datos” veremos más en detalle las propiedades de los dataframes y cómo manejarlos.

Por ahora utilicemos la funcion str() para ver la estructura del objeto df; es decir el dataframe que creamos. Por favor tómese un tiempo para ver la información que contiene.

str(df)

## 'data.frame':    4 obs. of  3 variables:
##  $ species      : chr  "Euglosa" "Bombus" NA "Apis"
##  $ lugar        : chr  "Cali" "Sitio_1" "2" NA
##  $ largo_abdomen: num  2.1 3 4 2.8

Matrices matrix

Una matriz es una colección de elementos del mismo modo organizado en una distribución rectangular de dos dimensiones.

Por ejemplo

var_1 <- c(2,4,6)
var_2 <- var_1 *10

matrix_1 <- cbind(var_1, var_2)
matrix_1

##      var_1 var_2
## [1,]     2    20
## [2,]     4    40
## [3,]     6    60

Se parece mucho a un data frame, pero su etructura es un poco diferente. Veamos:

class(matrix_1)

## [1] "matrix" "array"

str(matrix_1)

##  num [1:3, 1:2] 2 4 6 20 40 60
##  - attr(*, "dimnames")=List of 2
##   ..$ : NULL
##   ..$ : chr [1:2] "var_1" "var_2"

Utilicemos ahora la funcion matrix() para crear una matriz.

my_matrix <- matrix(   # Función
  1:6,                 # vector con elementos 
  nrow=2,              # número de filas 
  ncol=3,              # número de columnas 
  byrow = TRUE)        # llenar la matriz usando filas (SI) 

my_matrix

##      [,1] [,2] [,3]
## [1,]    1    2    3
## [2,]    4    5    6

Ejercicio

Ahora es su turno de practicar:

df

##   species   lugar largo_abdomen
## 1 Euglosa    Cali           2.1
## 2  Bombus Sitio_1           3.0
## 3    <NA>       2           4.0
## 4    Apis    <NA>           2.8

str(df)

## 'data.frame':    4 obs. of  3 variables:
##  $ species      : chr  "Euglosa" "Bombus" NA "Apis"
##  $ lugar        : chr  "Cali" "Sitio_1" "2" NA
##  $ largo_abdomen: num  2.1 3 4 2.8

my_matrix

##      [,1] [,2] [,3]
## [1,]    1    2    3
## [2,]    4    5    6

str(my_matrix)

##  int [1:2, 1:3] 1 4 2 5 3 6

Lista list

La lista es un vector que contiene varios objetos, usted podra diferenciarlos porque están entre dos paréntesis cuadrados, es decir [[1]], [[2]], [[3]], en el ejemplo de abajo:

species <- c("Euglosa", "Bombus", NA, "Apis")
largo_abdomen <- c(2.1, 3.0, 4, 2.8)
lugar <- c("Cali", "Sitio_1", "2", NA)


mi_lista <- list(species, lugar, largo_abdomen)
mi_lista

## [[1]]
## [1] "Euglosa" "Bombus"  NA        "Apis"   
## 
## [[2]]
## [1] "Cali"    "Sitio_1" "2"       NA       
## 
## [[3]]
## [1] 2.1 3.0 4.0 2.8

Veamos la estructura:

str(mi_lista)

## List of 3
##  $ : chr [1:4] "Euglosa" "Bombus" NA "Apis"
##  $ : chr [1:4] "Cali" "Sitio_1" "2" NA
##  $ : num [1:4] 2.1 3 4 2.8

En resumen

En la tabla mostramos un pequeño resumen de las características de las estructuras de los datos:

	Igual modo	Diferente modo
1 dimensión	Vector	lista
	ej.: (2,3,4,5)	ej.: objeto 1: (2,3,4,5); objeto 2 (“A”, “B”, “C”)
2 dimensiones	Matriz	data frame

Ejercicio

Ahora es su turno de practicar:

# sqrt("flor")

Introducción

Hemos visto como una función realiza una tarea específica, utilizando los datos que usted provee y generando finalmente un resultado.

Ahora bien, veamos que es un paquete (package en inglés) en R y su relación con las funciones:

Por ejemplo, el paquete base tiene un sinnúmero de funciones, algunas de las cuales ya hemos visto, como as.integer(), as.factor(), mean(), etc.

Desde finales de los 90’s colaboradores alrededor del mundo y de diferentes disciplinas del conocimiento han generado más de 18,000 paquetes (CRAN project) en R .

Esta figura creada por dacorzig se muestra cómo ha crecido el número de paquetes que se han incluido en R a lo largo de estos años.

Fuente: dacorzig

Existen paquetes para diferentes propósitos, por ejemplo: cargar bases de datos, manipular datos, realizar análisis, modelamiento, simulaciones, crear gráficas y mapas, etc.

Por ejemplo:

• ENMEval: es un paquete para la implementación de modelos de distribición de especies.

• ape: es un paquete para análisis filogenético y evolución.

Ahora bien, los desarrolladores de los paquetes han avanzado un poco más y han creado colecciones de paquetes dentro de una sola estructura. La idea es que todos los paquetes compartan una misma filosofía, gramática y estructura de datos.

El más popular es tydiverse que le permite importar, ordenar, manipular, analizar y visualizar datos.

Estos paquetes los verá en detalle en el “Taller de Manejo de datos”.

Ahora veamos cómo puede instalar los paquetes en su computador y luego cargarlos en su sesión de RStudio.

Cómo Instalar paquetes?

Para instalar un paquete, por ejemplo ggplot2, usted puede utilizar el menu Tools >> Install Packages.

En la ventana que aparece puede empezar a digitar ggplot2, seleccione el paquete y finalmente presione “Install”.

Puede también digitar en su sesión de Rstudioinstall.packages("ggplot2") y ejecutar esta línea.

Cómo cargar paquetes

Una vez tiene sus paquetes instalados en su computador tiene que cargar el paquete en la sesión de RStudio, utilizando la función library(), en este caso usted quiere cargar el paquete ggplot2 entonces usted escribiría:

• library(ggplot2), y luego ejecute esta línea.

library(ggplot2)

Una vez hecho todo esto, tendrá disponible el paquete en su sesión de RStudio.

Recuerde que la instalación la hace una sola vez, a no ser que quiera actualizar la versión del paquete.

Ahora bien, el paquete lo debe cargar (utilizando la funciónlibrary())cada vez que abre una sesión.

Puede ver la información relacionada con su sesión con esta función sessionInfo(). Por ejemplo en este taller tenemos esta información que usted vera es muy útil (por ejemplo la versión de los paquetes que está utilizando).

sessionInfo()

## R version 4.3.1 (2023-06-16 ucrt)
## Platform: x86_64-w64-mingw32/x64 (64-bit)
## Running under: Windows 11 x64 (build 22621)
## 
## Matrix products: default
## 
## 
## locale:
## [1] LC_COLLATE=English_United States.utf8  LC_CTYPE=English_United States.utf8   
## [3] LC_MONETARY=English_United States.utf8 LC_NUMERIC=C                          
## [5] LC_TIME=English_United States.utf8    
## 
## time zone: America/Edmonton
## tzcode source: internal
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## other attached packages:
## [1] ggplot2_3.4.2
## 
## loaded via a namespace (and not attached):
##  [1] gtable_0.3.3      jsonlite_1.8.5    dplyr_1.1.2       compiler_4.3.1   
##  [5] webshot_0.5.5     tidyselect_1.2.0  xml2_1.3.4        stringr_1.5.0    
##  [9] jquerylib_0.1.4   systemfonts_1.0.5 scales_1.2.1      yaml_2.3.7       
## [13] fastmap_1.1.1     R6_2.5.1          generics_0.1.3    knitr_1.43       
## [17] tibble_3.2.1      kableExtra_1.3.4  bookdown_0.34     munsell_0.5.0    
## [21] svglite_2.1.2     bslib_0.5.0       pillar_1.9.0      rlang_1.1.1      
## [25] utf8_1.2.3        cachem_1.0.8      stringi_1.7.12    xfun_0.39        
## [29] sass_0.4.6        viridisLite_0.4.2 cli_3.6.1         withr_2.5.0      
## [33] magrittr_2.0.3    rmdformats_1.0.4  digest_0.6.33     rvest_1.0.3      
## [37] grid_4.3.1        rstudioapi_0.15.0 lifecycle_1.0.3   vctrs_0.6.3      
## [41] evaluate_0.21     glue_1.6.2        fansi_1.0.4       colorspace_2.1-0 
## [45] rmarkdown_2.23    httr_1.4.6        tools_4.3.1       pkgconfig_2.0.3  
## [49] htmltools_0.5.5

Panel de ayuda

El primero es el panel de ayuda.

Puede digitar lo que necesita saber, por ejemplo algo sobre el paquete ggplot2:

Lo que le ofrecerá algunos vínculos de utilidad.

Pero tambien puede utilizar la función help() para buscar información sobre una función, por ejemplo mean():

Usted obtendrá en la ayuda información de como usar la función. La sección de ejemplos le puede dar claves para saber cómo escribir sus códigos.

Usted tambien puede buscar información sobre algunos operadores utilizando el símbolo de pregunta seguido del operador entre comillas:

?">"

Ayuda en la web

¿Dónde hacer preguntas o encontrar respuestas?

Relacionadas con R:

• Stackoverflow

Relacionadas con análisis estadístico:

• CrossValidated

Ecología y R:

• The Facebook group “Ecology in R”

Comunidad de usuarios.

Aunque no hay un soporte formal, sí se encuentra una comunidad muy fuerte de usuarios; además de herramientas y ayudas online que facilitan su uso.

• Grupos de usuarios

• R-Ladies Groups promueve la diversidad de genero dentro de la comunidad R.

• R Bloggers es una comunidad de usuarios de R.

• R Studio community es una comunidad que comparte información acerca de R Studio y temas relacionados con R.

Documentos.

También se encuentran una serie de libros y tutoriales que son de gran utilidad para el usuario, por ejemplo:

Otras herramientas.

• RStudio Cheatsheets